【技术实现步骤摘要】
基于计算机视觉的建筑施工现场工人跌倒前兆检测方法
[0001]本专利技术涉及计算机视觉领域，尤其是涉及一种基于计算机视觉的建筑施工现场工人跌倒前兆检测方法。
技术介绍
[0002]跌倒事故，包括致命、非致命和未遂的事故，对建筑施工行业有严重的负面影响。跌倒事故是建筑施工行业中导致人员伤亡的主要原因之一，如在我国、欧洲、美国和新加坡等地，建筑施工行业中跌倒致命事故占比超过30％。同时，建筑施工现场非致命的跌倒事故也很常见，它会导致工人受伤而增加离岗天数，从而可能导致施工进度延误，进而造成巨大的经济损失。另外，对于未遂跌倒事故，尽管由于其后果轻微而未被广泛报道，但它在建筑施工工地上的频繁发生，揭示了建筑施工现场具有较高的安全风险隐患。因此，跌倒事故对建筑工程的施工工期和建造成本有较大的影响，但对其缺乏全天候全方位的管理手段和方法。
[0003]对跌倒前兆(如失去平衡和突然摇晃)进行识别检测和分析，可以实现对跌倒事故之前的前兆事件进行追踪，据此可以对建筑施工工地进行全面的风险评估。尤其是对于非致命跌倒事故和未遂跌倒事故，即...
【技术保护点】
【技术特征摘要】
1.一种基于计算机视觉的建筑施工现场工人跌倒前兆检测方法，其特征在于，包括以下步骤：步骤1)获取施工现场视频流，作为训练数据集；步骤2)以单目摄像头拍摄的图片为对象，基于VideoPose3D算法建立建筑施工现场人体三维姿态估计模型并进行训练；步骤3)基于人体三维姿态估计模型，提取三维坐标系中工人人体骨架关节点的坐标值，生成工人人体骨架关节点坐标矩阵；步骤4)利用主成分分析方法，对工人人体骨架关节点坐标矩阵进行降维，对工人跌倒过程进行可视化分析，并开展预实验，选取对人体三维姿态估计模型有正面或负面影响的人体骨架关节点；步骤5)在传统最近邻模型的基础上，基于权重函数以赋权重的方式融合对人体三维姿态估计模型有正面影响的人体骨架关节点的三维坐标信息，构建基于改进Fusion
‑
KNN的机器学习模型并进行训练，获得最优化权重函数；步骤6)基于训练完成的机器学习模型检测建筑工程施工现场工人跌倒前兆，并输出工人人体姿态的状态，所述状态包括稳定、失去平衡、跌倒。2.根据权利要求1所述的一种基于计算机视觉的建筑施工现场工人跌倒前兆检测方法，其特征在于，所述VideoPose3D算法是一种两阶段算法，在第一阶段中，使用Mask R
‑
CNN二维人体姿态估计算法作为二维人体骨架关节点检测器，从输入视频中检测出连续的二维人体骨架关节点运动轨迹；在第二阶段中，采用以WaveNet框架为基础的连续帧卷积神经网络，在时间维度上对时序二维人体骨架关节点坐标序列进行卷积操作以提取特征，据此对输入视频中的三维人体姿态做出预测。3.根据权利要求1所述的一种基于计算机视觉的建筑施工现场工人跌倒前兆检测方法，其特征在于，所述三维姿态估计模型在进行训练时，使用的是带标签的真实3D人体姿态数据，其损失函数是加权平均的每关节点位置误差：其中，y
z
是人体骨架关节点在相机空间中的深度，f(x)是姿态估计模型的预测值，y是姿态坐标的真实值。4.根据权利要求1所述的一种基于计算机视觉的建筑施工现场工人跌倒前兆检测方法，其特征在于，所述利用主成分分析方法，对工人人体骨架关节点坐标矩阵进行降维的具体过程为：给定的训练样本X
m
×
n
由m个样本x1,x2,
…
,x
i
…
,x
m
组成，其中x
i
表示第i个样本，x
i
∈R
n
，设：Y＝(X
‑
μ)A
其中，Y是变换后的新特征矩阵，A是特征变换矩阵，μ是样本均值；A是一个n
×
n的正交矩阵，由样本协方差矩阵：的特征向量组成；样本协方差矩阵C特征向量的求解方法为：λ
j
a
j
＝Ca
j j＝1,...,n其中，λ
j
是样本协方差矩阵C的一个特征值，a
j
是相应的特征向量，则正交变换矩阵A为：A＝(a1,L,a
n
)定义为主成分y
k
的贡献率，为主成分y1,y2,
…
,y
k
的累计贡献率，根据所需要的累计贡献率计算出k的值，即保留前k个新特征作为主成分。5.根据权利要求1所述的一种基于计算机视觉的建筑施工现场工人跌倒前兆检测方法，其特征在于，所述对工人跌倒过程进行可视化分析的具体过程为：在基于主成分分析的二维可视化中，以第一主成分为横坐标，第二主成分为纵坐标进行可视化分析，确定跌倒过程的三个状态之间变化的过渡特征。6.根据权利要求1所述的一种基于计算机视觉...
【专利技术属性】
技术研发人员：徐峰，刘啸宇，张志鹏，胡昊，梅心语，黄鹤，陶钰，馬文迪，戴磊，胡喆，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。